Machine Learning

Comment un ordinateur scouterait-il le poste d'un joueur ? En enchaînant des questions oui/non sur sa taille, son poids et ses stats, comme un recruteur, jusqu'à trancher entre meneur, arrière, ailier, ailier fort et pivot.

Pourquoi une forêt de centaines de scouts imparfaits bat-elle un seul scout expert ?

Peut-on prédire le salaire d'un joueur à partir de ses stats ? Une tâche dure où le gradient boosting bien réglé finit par dépasser la random forest.

Peut-on compresser 18 statistiques par joueur en 4 à 5 axes synthétiques, puis poser toute la ligue sur une carte 2D où les archétypes sautent aux yeux ?

Combien de profils défensifs distincts existent vraiment dans la ligue ? Sans imposer les cinq postes, on laisse les contres, interceptions, rebonds et la taille regrouper eux-mêmes les joueurs avec K-means : protecteurs du cercle, créateurs du périmètre, role players.

Un scout cherche le joueur qui ressemble le plus à Victor Wembanyama. La réponse dépend entièrement de la façon dont on mesure la ressemblance : sans précaution, l'algorithme désigne Embiid et Giannis, deux gros scoreurs. Bien réglé, il sort Chet Holmgren et Evan Mobley, et montre au passage que Wemby n'a pas de vrai jumeau.

Construire un détecteur de joueurs calibre All-Star de bout en bout, puis le rendre utilisable : entraîner, régler avec validation croisée, évaluer honnêtement sur cible déséquilibrée, sauvegarder et servir.